Python 使用 PCA 降维：示例代码

使用 Python 的 PCA 进行降维

本示例代码演示如何使用 Python 的 sklearn 库中的 PCA 方法对数据进行降维。代码展示了如何使用 PCA 提取主成分，计算贡献比，并生成降维后的数据。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

x = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
########## Begin ##########
# 降维
# 主成分数量为 2
pca = PCA(n_components=2)

# 贡献比
X_Contribution = pca.fit_transform(x)
print(pca.explained_variance_ratio_)

# 生成降维后的数据
X_reduction = pca.transform(x)
print(X_reduction)
########## End ##########

代码说明:

1. 导入必要的库: numpy, matplotlib.pyplot, sklearn.decomposition
2. 定义一个包含 6 个点的二维数据集 x
3. 创建一个 PCA 对象，指定主成分数量为 2
4. 使用 fit_transform 方法对数据进行降维并计算贡献比
5. 打印贡献比 pca.explained_variance_ratio_
6. 使用 transform 方法对数据进行降维
7. 打印降维后的数据 X_reduction

注意:

• 贡献比表示每个主成分解释的数据方差比例。
• 降维后的数据维度为 2，因为我们指定了 n_components=2。

示例结果:

[0.99244289 0.00755711]
[[ 1.48732684  0.32525664]
 [ 1.04973692  0.13952589]
 [ 5.20942194  1.04474473]
 [ 7.95626726  1.03880806]
 [ 0.60007258 -0.22856649]
 [ 9.67718546  0.76923425]]

结论:

该示例演示了如何使用 Python 的 PCA 方法对数据进行降维。你可以根据实际情况调整主成分数量和数据集，并进行相应的分析。